تُعد هذه الورقة البحثية دراسة لتصنيف وتقسيم الشذوذ بدون تدريب مسبق (Zero-shot Anomaly Classification (AC) وSegmentation (AS)) في الرؤية الصناعية. نُظهر أن الملامح الطبيعية وغير الطبيعية الغنية المُضمنة في الصور المُختبرة غير المُعلمة يمكن استغلالها لتحديد الشذوذ، وهو ما تجاهله الطرق السابقة. يكمن ملاحظتنا الأساسية في أن الصور الصناعية للمنتجات تُظهر أن البُقع الطبيعية يمكن أن تجد عدداً نسبياً كبيراً من البُقع المشابهة في صور أخرى غير مُعلمة، في حين أن البُقع غير الطبيعية تمتلك عددًا قليلاً من البُقع المشابهة. نستفيد من هذه الصفة التمييزية لتصميم طريقة جديدة لتصنيف وتقسيم الشذوذ بدون تدريب (MuSc)، تعتمد على التقييم المتبادل (Mutual Scoring) للصور غير المُعلمة، دون الحاجة إلى أي تدريب أو إشارات (prompts). بشكل محدد، نُطبّق تقنية تجميع الجيران المحليين بدرجات متعددة (Local Neighborhood Aggregation with Multiple Degrees - LNAMD) للحصول على ميزات البُقع القادرة على تمثيل الشذوذ بأحجام مختلفة. ثم نُقدّم آلية التقييم المتبادل (Mutual Scoring Mechanism - MSM) لاستغلال الصور غير المُعلمة في تعيين درجات شذوذ لكل صورة بالنسبة للآخرين. علاوة على ذلك، نُقدّم منهجية تحسين تُسمى إعادة التقييم مع الجيران على مستوى الصورة المُقيّدين (Re-scoring with Constrained Image-level Neighborhood - RsCIN) لتصنيف الشذوذ على مستوى الصورة، بهدف تقليل الأخطاء الإيجابية الكاذبة الناتجة عن الضوضاء في الصور الطبيعية. تُظهر الأداء المتميز على مجموعتي بيانات الصعوبة MVTec AD وVisA فعالية منهجنا. مقارنة بالطرق الرائدة بدون تدريب، تحقّق MuSc مكسبًا مطلقًا في مؤشر PRO بنسبة 21.1% (من 72.7% إلى 93.8%) على MVTec AD، ومكسبًا بنسبة 19.4% في مؤشر pixel-AP و14.7% في مؤشر pixel-AUROC على VisA. بالإضافة إلى ذلك، تتفوّق طريقة التدريب بدون تدريب لدينا على معظم الطرق القائمة على عدد قليل من الأمثلة (few-shot)، وتُعدّ منافسة لبعض الطرق ذات الفئة الواحدة (one-class). يُمكن الوصول إلى الكود عبر الرابط: https://github.com/xrli-U/MuSc.